“ 你们看到的世界杯，其实都是录播的。你们想想，大晚上的哪来的太阳！”

　　今天我们来扯一扯，如何用一个简单的机器学习模型，预测世界杯比赛的结果。

　　01 问题定义

　　为了预测比赛胜负，我们需要将预测胜负的问题，进行一个合理的数学建模。

　　正常来说，一场足球比赛只可能有三种结果，即胜、负、平，在这种情况下，我们可以将预测胜负的问题定义为一个分类问题，即给定一场比赛的对阵双方，预测比赛结果属于胜、负、平三种的哪一类。

　　在机器学习中，分类问题可以定义为，利用一组已知的样本输入 X 和对应的类别 Y，构建一个分类器，预测一个未知样本 x 对应的类别。

　　从这个定义我们可以看出，在预测比赛胜负之前，我们需要一些已知样本来构建一个分类器，这组已知的样本，通常被称为训练集，需要预测结果的样本，通常被称为测试集。

　　对于世界杯预测的问题，我们已经有了一组需要预测结果的比赛，这些比赛就构成了我们的测试集。但是，我们还没有训练集，还不能构建分类器进行预测。

　　02 数据收集

　　为了构建分类器，我们需要收集一个训练集。

　　一般来说，当训练集和测试集的分布比较接近时，我们能得到一些比较靠谱的结果。

　　对于世界杯比赛，可以用以前世界杯比赛的数据作为训练集。不过，一届世界杯才64场比赛，这样的数据实在是太少，在数据较少的情况下，得到的分类器通常效果较差，预测的很不靠谱。为此，我们需要收集一些额外的数据进行补充。

　　对于额外数据的选择，我们从以下两方面出发进行考虑。

　　第一，世界杯比赛是成年国家队之间的比赛，因此，我们应该补充一些成年国家队之间的比赛，如大型杯赛，友谊赛等；像联赛和青少年比赛的数据，由于分布不同，所以不太适合作为训练集。

　　第二，足球比赛规则和战术流派在不断变化，用20年前的比赛结果预测现在的世界杯，分布差异太大，可能也不太靠谱。

　　基于上述两方面考虑，我们的训练集采用以下数据：14年、18年世界杯预选赛14年世界杯12年、16年欧洲杯16年欧洲杯预选赛15年、16年美洲杯13年、17年联合会杯15年、17年中北美金杯17年非洲杯15年亚洲杯17年、18年国家队友谊赛

　　为了获得这些数据，我们从一个专业的足球数据网站：http://whoscored.com，利用爬虫拿到了这些比赛的时间、结果、双方的出场球员以及球员的相关统计数据。

　　这些数据大约有2000场左右。

　　03 特征选择

　　有了训练集的数据，我们需要构造一些简单的特征，对比赛结果进行预测。这些特征，应该与比赛结果比较相关。

　　首先，比赛球队本身就是一个很好的特征，当我们听说比赛的队伍是巴西队和中国队的时候，不用想出场的球员是谁，十有八九就能预测中国队不太行。

　　接着，上场球员实力也是一个不错的特征，阿根廷踢德国的比赛，如果梅西不上，可能大家也不太会看好阿根廷。

　　再来，球队的板凳深度应该也是一个有用的特征，能在欧冠决赛把贝尔按在替补席上的皇马，获胜也在情理之中。

　　那么，综合以上想法，我们的特征其实就不难想象：两组ID特征：球队1的ID，球队2的ID球队1首发球员当年在联赛的平均数据球队1替补球员当年在联赛的平均数据球队2首发球员当年在联赛的平均数据球队2替补球员当年在联赛的平均数据

　　对于球员，其平均统计数据有13组，分别是：身高、体重、出场次数、助攻数、进球数、传球成功率、射门数、争顶头球成功率、最佳球员次数、出场时间、替补次数、赛后评分、排名。

　　在处理特征过程中，对于一些特别弱的国家，其比赛和球员数据可能有所缺失，为此，我们去掉了一些数据完全缺失的比赛，以免对预测结果产生影响。

　　04 模型训练

　　有了特征，我们就可以用模型构造一个分类器进行训练。

　　由于我们的训练数据只有2000条左右，为了丰富数据量，我们做了一个简单的数据扩展，即将球队1和球队2的特征互换，得到一条新数据，这样我们就将训练集从2000条扩展到了4000条。

　　在模型的选择上，由于数据量和数据维度不大，一些传统分类算法就能取得不错的效果。基于对效果的比较，我们最终选用了基于集成学习的AdaBoost算法，训练一个模型预测结果。

　　俗话说，三个臭皮匠，顶个诸葛亮。AdaBoost算法可以看成是多个弱分类器（这里用的是CART决策树）的集成。简单来说，AdaBoost先用一个弱分类器得到一组分类结果，然后根据这组结果，对出错的样本进行加权，得到下一个弱分类器。最后，通过对所有弱分类器的加权平均，我们能得到一组不错的结果。

　　在使用AdaBoost算法时，我们对球队ID进行了独热编码的处理，即将ID转化成了一个长度为N的单位向量（N是球队ID的总数）。

　　05 模型预测

　　训练好分类器后，我们可以对比赛的结果进行预测。

　　对于未知的比赛，由于我们不能提前知道世界杯比赛双方的首发阵容，因此，在预测时，我们只能用该队最近时间的一次比赛的数据进行模拟计算。

　　最终模型预测的结果如下：

　　在日本与塞内加尔比赛前，该模型的准确率为0.767。

　　至于后面的比赛蒙的准不准，让我们拭目以待吧。

　　06 总结

　　本文纯属一本正经地胡说八道，对于预测结果的准确性，概不负责。

　　毕竟，足球是圆的，出现什么结果都是正常的！本导演说了也不算数啊！

　　“王秘书，给球员的盒饭准备好了吗？跟他们说，今天加鸡腿！”